隨著無線協(xié)議變得越來越復(fù)雜，頻譜環(huán)境的競爭日益激烈，電子戰(zhàn)也越來越復(fù)雜。無線電所需的基帶處理程度也更加復(fù)雜和專業(yè)化。在充滿威脅的復(fù)雜環(huán)境下，想要完全優(yōu)化射頻系統(tǒng)是不現(xiàn)實的。設(shè)計人員以前一直依賴簡化的封閉式模型，但是這些模型無法準(zhǔn)確捕捉到真實效果；而且對系統(tǒng)的優(yōu)化也非常零碎，僅能優(yōu)化單個組件，無法進行完整的端到端優(yōu)化。在過去幾年里，人工智能已經(jīng)取得了長足的進步，尤其是機器學(xué)習(xí)技術(shù)中的深度學(xué)習(xí)。為了解決眾多棘手問題，人類設(shè)計人員一直都在花費大量精力研究手動式工程解決方案，而深度學(xué)習(xí)則直接將目標(biāo)對準(zhǔn)了針對特定問題的大型復(fù)雜數(shù)據(jù)集。

　　AI和無線電射頻

　　如要了解AI如何簡化RF系統(tǒng)設(shè)計的復(fù)雜性，就需要從大局上了解最近哪些技術(shù)進步推動了AI系統(tǒng)的迅速普及。“AI”這個術(shù)語已經(jīng)使用了幾十年，從廣義上講，是指基于機器決策的問題解決方法。機器學(xué)習(xí)（ML）屬于AI的一種，指使用數(shù)據(jù)對機器進行訓(xùn)練，以解決特定問題。深度學(xué)習(xí)是一類具有“特征學(xué)習(xí)”能力的機器學(xué)習(xí)技術(shù)，在這個過程中，由機器決定使用哪些方面的數(shù)據(jù)作為決策依據(jù)，而不是由人類設(shè)計人員規(guī)定某些明顯的特征作為決策依據(jù)。例如，設(shè)計人員以前都是根據(jù)多年的特征識別技術(shù)研究心得，手動編寫面部識別算法。而深度學(xué)習(xí)方法將包含人臉的圖像數(shù)據(jù)集與操作人員訓(xùn)練結(jié)合起來，可識別出人臉的位置。機器會學(xué)習(xí)識別人臉的構(gòu)成，不需要設(shè)計人員定義算法。同樣，RF信號分類和頻譜感知算法也從深度學(xué)習(xí)方法中獲益匪淺。過去的自動調(diào)制分類（AMC）和頻譜監(jiān)測方法需要耗費大量人力來進行手動工程特征提取（工程師團隊通常需要花費數(shù)月時間進行設(shè)計和部署），而基于深度學(xué)習(xí)的系統(tǒng)通過幾小時的訓(xùn)練，就能識別新的信號類型。深度學(xué)習(xí)還允許端到端學(xué)習(xí)，通過這種方式，一個模型可以同時學(xué)習(xí)編碼器和解碼器，從而構(gòu)成一個完整的收發(fā)系統(tǒng)。該模型不需要嘗試逐個優(yōu)化每個組件（例如，數(shù)模轉(zhuǎn)換器［DAC］、模數(shù)轉(zhuǎn)換器［ADC］、射頻轉(zhuǎn)換器、無線信道和接收器網(wǎng)絡(luò)），并將它們拼接在一起，而是將系統(tǒng)視為端到端函數(shù)，學(xué)習(xí)從整體上優(yōu)化系統(tǒng)。